【作　　者】
刘 鹏

【作者单位】
（华南理工大学工商管理学院 广州 510000）

【摘　　要】

      【摘要】为了对退市前的创业板上市公司进行财务预警，本文分别使用多层感知器网络模型、径向基网络模型和支持向量机模型，采用现金流量安全与否作为衡量企业是否陷入财务困境的标准，建立财务预警系统。结果表明：相对于前两类人工神经网络模型，支持向量机模型能够较好地对小样本进行判别预测，是一种比较理想的财务预警模型。
【关键词】创业板   财务预警   人工神经网络模型   支持向量机模型

      一、引言
创业板是地位仅次于主板的二板证券市场，在上市门槛、监管制度、信息披露、交易者条件、投资风险等方面和主板有较大区别。设立创业板的目的主要是扶持中小企业尤其是高成长性中小企业，为风险投资和创投企业建立正常的退出机制，为实现自主创新国家战略提供融资平台，丰富多层次的资本市场体系。2012年4月20日，深交所正式发布《深圳证券交易所创业板股票上市规则》，并于2012年5月1日起正式实施，将创业板的退市制度落实到上市规则之中。
我国深交所的创业板也是高成长性伴随高风险性的市场。创业板2009年10月30日开市，至2012年8月1日，上市企业迅速扩容至344家。根据申银万国编制的“申万创业板指数”，创业板自2009年11月5日的1 000点起步，至2010年4月13日已达到1 334点的最高位，而同期上证指数仅仅上涨了6个点，创业板的换手率也几乎是主板的4倍。
创业板退市制度的推出是为了完善中国证券投资制度。中国沪深A股市场自1989年先后创立后20年内鲜有公司退市，自2011年4月PT水仙被终止上市后，沪深两市20多年间退市的上市公司不足50家，仅占上市公司总数的2%。在新股快速扩容的同时，垃圾股“死不退市”俨然成为默认的潜规则。此起彼伏的“重组游戏”屡屡推动绩差股价格一飞冲天。在这一背景下，A股市场的定价功能无可避免地被严重扭曲，并最终影响到A股市场的健康发展。
鉴于中国创业板市场的高成长性和高风险性，以及国家推行创业板退市试水，我们有必要为目前创业板上市公司建立科学的财务预警系统，这样可以为投资者规避风险，为决策者提供参考，督促上市公司加强自我管理。
二、文献综述
财务预警是指以会计信息为基础, 通过设置并观察一些敏感性预警指标的变化, 对企业可能或者将要面临的财务危机实施的实时监控和预测警报。财务预警中的数学模型就是财务预警模型, 它是指借助企业财务指标和非财务指标体系, 识别企业财务状况的判别模型。目前企业财务预警研究主要集中在三个方面：一是财务危机概念的界定；二是财务预警模型的建立；三是财务预警指标的选择。
1． 财务危机概念的界定。对财务危机的界定，国内外学者因研究目的不同而异，使用了不同的标准。Beaver（1966）以59家破产公司、16家拖欠优先股股利公司和3家拖欠债务的公司为研究对象，认为具有“破产、拖欠偿还债务、透支银行账户或无力支付优先股股利四项中的任何一项的企业均为失败企业”，即为发生财务危机的企业。Carmichae（1972）将财务危机定义为“企业履行义务（即偿债义务）时受阻”，具体表现为：流动性不足、权益不足、债务拖欠和资金不足。由此可见，国外对财务危机的界定因研究目的不同而不同，主要有四种：①无偿债能力；②违约；③财务陷入困境；④破产。
由于我国的《破产法》还不健全，截至目前还没有上市公司破产的案例，所以通常我国学者将上市公司被冠以ST标志作为企业陷入财务危机的标准，这主要指出现下列情况之一的企业：最近两个会计年度的净利润均为负值；最近一个会计年度的股东权益低于注册资本。这是用净利润和股东权益作为衡量标准，然而企业破产本质上是因为资不抵债，现金流无法偿还已到期的债务，从这点来看，ST公司并不等于财务危机公司，理由是ST代表盈利能力出现问题，但并不代表现金流不足以履行义务或违约。
2． 财务预警模型的建立。企业财务预警模型一直在不断地改进和创新，常见的有一元判定模型、多元判定模型、多元逻辑回归模型、多元概率比回归模型、人工网络模型和联合预警模型六类。Beaver（1966）应用单变量判定模型预测企业破产，将某一财务指标作为标准来判断企业是否处于财务危机状态。Altman（1968）最早运用多元变量分析法探讨企业财务预警，并在1968年提出了五个财务比率，构成了“Z分数模型”。Ohlson（1980）运用条件回归模型对2 103家公司进行分析，得到一个预警分类模型。Odom（1990）最早使用人工神经网络模型对企业破产进行预警。Valeriy和Supriya（2003）应用支持向量机模型对破产企业进行财务预警分析。
我国学者对财务预警的研究始于1987年。吴世农（1987）介绍了企业破产预警模型和分析指标。佘廉（1999）出版了《企业预警管理丛书》。吴世农等（2001）运用Fisher线性判定、多元线性回归和Logistic回归分析，建立了主板市场ST公司的财务预警模型。杨淑娥等（2005）运用人工神经网络模型和主成分分析法对150家上市公司进行实证分析，结果表明人工神经网络模型具有较高的预测精度。田高良（2002）使用定性和定量方法，并引入模糊综合评价模型建立了财务预警模型。目前我国上市公司财务数据还不完善，许多上市公司上市时间并不长，所以应使用多种研究方法建立上市公司的财务预警模型，比较选择合适的模型，以提高预警精度。
3． 财务预警指标的选择。目前，这方面的研究文献还不多。Altman等使用传统的财务指标，如负债比率、流动比率、净资产收益率和资产周转率等作为预警指标。国内学者一般选取盈利、运营、偿债、成长性等作为预警指标。一般而言，使用较多的财务指标能提供更多的信息，有利于更充分地说明问题，但这样往往会导致模型产生多重共线性。人工神经网络模型和支持向量机模型是非线性的平行处理结构模型，变量之间的相关性对数据处理影响不大，允许选用较多的财务指标，能够提供多方面的财务信息，可提高预警精度。
三、研究方法和研究样本
企业的偿债资金主要来源于经营活动的现金流，通常使用净现金流量与流动负债的比值来反映偿还到期债务的能力。当该比值低于一定水平时，就意味着企业的现金流量不足，偿债能力出现问题。当这种情况持续发生时，表明企业已经陷入财务危机，应引起企业管理者的重视。对于企业的经营净现金流量与流动负债比的合理区间，目前学术界还没有统一的标准。这里我们使用平均水平进行比较的方法，即当该比值低于平均水平时，就应当引起注意。
本文选取93家创业板上市公司（具体见表1）作为研究样本，根据其从上市到2011年底的年报和半年报，计算“经营净现金流量/流动负债”的平均值。由于创业板上市公司普遍被“炒新”，所以上市当年的“经营净现金流量/流动负债”不纳入平均值的计算当中。如果某一家创业板公司的“经营净现金流量/流动负债”在2011年年中和年末连续两次低于平均值，或年中高于平均值而年末低于平均值，则认为该企业陷入财务危机困境。做上述技术处理后，本文计算出93家创业板上市公司的“经营净现金流量/流动负债”的平均值为-1.266 615，得出64家财务健康公司和29家财务困境公司。
由于创业板上市公司样本较少，上市时间短，因此在模型和财务指标的选取方面，我们要尽可能多地利用已有的财务数据信息构建预警系统。本文选取2010年底的财务指标，包括7类20项（具体见表2）作为备选预警指标。

表1列出的20项财务指标，很多指标所反映的财务信息是重叠的，因此我们对上述财务指标进行了筛选，以尽量减少财务指标间的信息重叠。通过对20个财务指标进行独立样本T检验，得到结果如表3所示。
对表3检验值分析可以发现，检验值在5%的水平上显著，有10个财务指标能够显著地将两类创业板上市公司区分出来，分别是X1、X2、X3、X5、X10、X11、X12、X13、X19、X20。以这10个指标作为财务预警指标，仍有很高的相关性，因此我们使用多层感知器网络模型、径向基网络模型和支持向量机模型进行处理，这些模型均是非线性平行处理模型，其中支持向量机模型对于小样本具有较好的处理功能。
四、实证结果
本文使用SPSS.19和MATLAB.R2009b软件做三类模型的预测，对于多层感知器网络，设置隐藏层数为1，隐藏层节点数为15，隐藏层激活函数为双曲正切函数，输出层激活函数为Softmax函数；对于径向基网络，设置隐藏层数为1，隐藏层节点数为10，隐藏层激活函数为Softmax函数，输出层激活函数为恒等函数；对于支持向量机模型，选择高斯径向基核函数，使用交叉验证模型获得最优参数为：c=53.298 8，g=4.237 2。首先，从93家样本公司挑选训练样本，使用2010年的年报数据训练三类模型；然后，用测试样本2010年10类财务指标预测2011年的财务状况。结果如三个图像所示。

图1 ～ 图3描绘了基于多层感知器网络的测试集的实际分类和预测分类、基于径向基网络测试集的实际分类和预测分类、基于支持向量机测试集的实际分类和预测分类图像，它们反映了训练样本的判定情况和测试样本的判定情况，其数据结果如表4、表5所示。

通过对图1 ～ 图3三个图像及对表3和表4的统计数据进行分析，可以看出，本文分别采用多层感知器网络模型、径向基网络模型和支持向量机模型测试我国创业板上市公司财务危机的结果有如下特征：
1． 上述三类模型的判定结果都是可接受的，但相比之下，支持向量机模型判定的准确性更高，说明该模型在对较少样本作统计预测时，效果优于神经网络模型。
2． 多层感知器网络和径向基网络两类神经网络模型对测试样本的判定准确性都低于对训练样本的判定准确性，它们对财务健康企业判定的准确性较高，但是对于财务困境企业的判定准确性较低，仅略超过50%，以这两类神经网络模型作为财务预警模型存在较大风险。
3． 上述三类模型对财务健康企业判定的准确性均高于对财务困境企业判定的准确性，但支持向量机模型比两类神经网络模型判定的准确性高。
五、研究结论
创业板上市公司财务预警是公司财务预警的一个难点，主要有如下三个原因：①创业板目前还没有ST和PT标记公司，所以要设计指标以区分其是否陷入财务困境，而选取哪种指标作为判定标准，目前还没有定论，本文从企业偿债能力而非传统的盈利能力方面考虑企业是否陷入财务困境也只是一个尝试，是否科学、合理，有待实践检验。②创业板上市公司样本较少，这就要求我们使用能对小样本进行良好分类和预测的模型，哪种模型能够实现这个要求也是一个问题，本文选择支持向量机模型。③创业板上市公司2009年底才陆续上市，能提供的财务信息非常有限，而实证研究需要我们尽可能多地引入财务指标，这方面还有一定的困难。
      目前，创业板公司财务预警还是一个空缺，迫切需要建立科学的创业板公司财务预警系统，因为2012年5月1日执行的《创业板上市规定》，完善了创业板上市公司的退出机制，为了保护投资者的利益，以及向决策者和投资者提供可靠参考，必须认真研究创业板公司的财务预警问题。
本文通过对财务报表较完善的93家创业板上市公司的实证研究发现：基于财务指标的支持向量机模型是企业财务困境预警的有效方法，较目前使用较多的神经网络模型，判定的准确性更高，该模型可以为广大投资者和决策者预警公司财务状况提供可靠的依据，同时也为上市公司加强企业管理，保证未来的现金流量安全提供科学的参考。
主要参考文献
1. Beaver W. H. Financial ratios as predictors of failure . Journal of Accounting Research，1966；9
2. Altman E. I.. Financial ratios，discriminant analysis and prediction of corporate bankruptcy . Journal of Finance，1968；9
3. Ohlson J. A.. Financial ratios and the probabilistic prediction of bankruptcy . Journal of Accounting Research，1980；1
4. Odom M. D.，Sharda R. A.. Neural network for bankruptcy prediction. International Joint conference on Neural Network，1990；6
5. Valeriy V.，Supriya B.. Volatility forecasting from multi scale and high-dimensional market data . Neurocomputing，2003；9
6. 吴世农，黄世忠.企业破产的分析指标和预测模型.中国经济问题，1987；6
7. 佘廉.企业预警管理论.石家庄：河北科学技术出版社，1999
8. 吴世农，卢贤义.我国上市公司财务困境的预测模型研究.经济研究，2001；6
9. 杨淑娥，黄礼.基于BP神经网络的上市公司财务预警模型.系统工程理论与实践，2005；1
10. 田高良.企业财务预警方法评析.预测，2002；6